apache-spark - Apache Spark 2.0 (PySpark) - DataFrame 错误为 csv 找到多个来源

Question

我正在尝试在 Spark 2.0 中使用以下代码创建数据框。在 Jupyter/Console 中执行代码时，我遇到了以下错误。谁能帮我解决这个错误？

错误:

Py4JJavaError: An error occurred while calling o34.csv. : java.lang.RuntimeException: Multiple sources found for csv (org.apache.spark.sql.execution.datasources.csv.CSVFileFormat, com.databricks.spark.csv.DefaultSource15), please specify the fully qualified class name. at scala.sys.package$.error(package.scala:27)

代码:

   from pyspark.sql import SparkSession
   if __name__ == "__main__":
      session = SparkSession.builder.master('local')
                     .appName("RealEstateSurvey").getOrCreate()
      df = session \
           .read \
           .option("inferSchema", value = True) \
           .option('header','true') \
           .csv("/home/senthiljdpm/RealEstate.csv")

     print("=== Print out schema ===")
     session.stop()

Answer 1

错误是因为您必须同时拥有两个库(org.apache.spark.sql.execution.datasources.csv.CSVFileFormat 和 com.databricks.spark.csv.DefaultSource) 在你的类路径中。 Spark 对选择哪一个感到困惑。

您只需将 format 选项定义为

即可告诉 spark 使用 com.databricks.spark.csv.DefaultSource

  df = session \
       .read \
       .format("com.databricks.spark.csv") \
       .option("inferSchema", value = True) \
       .option('header','true') \
       .csv("/home/senthiljdpm/RealEstate.csv")

另一种选择是使用load as

  df = session \
       .read \
       .format("com.databricks.spark.csv") \
       .option("inferSchema", value = True) \
       .option('header','true') \
       .load("/home/senthiljdpm/RealEstate.csv")